从扁平监督中识别嵌套实体：一项新 NER 子任务及其可行性与挑战
计算与语言
2022-11-02 v1 机器学习
摘要
许多近期命名实体识别（NER）研究批评扁平 NER 的非重叠假设，并转向研究嵌套 NER。然而，现有嵌套 NER 模型严重依赖标注了嵌套实体的训练数据，而此类数据标注成本高昂。本研究提出一项新子任务——从扁平到嵌套 NER（nested-from-flat NER），其对应一个现实应用场景：给定仅标注了扁平实体的数据，人们仍可能期望训练出的模型能够识别嵌套实体。为应对该任务，我们训练基于跨度的模型，并刻意忽略标注实体内部嵌套的跨度，因为这些跨度可能是未标注的实体。在从训练数据中移除嵌套实体后，我们的模型在 ACE 2004、ACE 2005 和 GENIA 上实体内部跨度子集分别取得 54.8%、54.2% 和 41.1% 的 F1 分数。这表明了我们方法的有效性与该任务的可行性。此外，模型在扁平实体上的性能完全不受影响。我们进一步手动标注 CoNLL 2003 测试集中的嵌套实体，构建了一个从扁平到嵌套 NER 基准。分析结果显示，主要挑战源于扁平实体与嵌套实体之间数据和标注的不一致性。
引用
@article{arxiv.2211.00301,
title = {Recognizing Nested Entities from Flat Supervision: A New NER Subtask, Feasibility and Challenges},
author = {Enwei Zhu and Yiyang Liu and Ming Jin and Jinpeng Li},
journal= {arXiv preprint arXiv:2211.00301},
year = {2022}
}